论文部分内容阅读
近年来,随着学习分析技术的发展,学习者个性化特征的获取和量化已经形成了比较成熟的理论体系和实践流程,个性化的学习方案和学习路径也得到了深入的研究。在这种情况下,自适应学习系统从理论研究到实践应用也得到了有效的发展。但令人并不满意的是,目前自适应学习系统的推荐效果仍然没有从本质上得到较大的提升,这也是影响自适应学习系统研究发展的最大问题。以往的研究中,自适应学习系统的推荐功能大多使用基于协同过滤推荐、基于内容推荐、基于关联规则推荐等传统的推荐算法来完成。虽然取得了一定的推荐效果,但这类算法都以学习者或知识单元的属性作为相似度的计算标准,忽略了学习者与知识单元间丰富的关联信息。然而,在数据类别多样化的今天,异构网络的分析和研究已经取得了突破性的进展。自适应学习系统涉及多类对象,且不同对象之间、相同对象之间都有不同的交互产生。自适应学习系统中的对象属性维度较大,对象之间频繁的连接所构成的网络就是一个典型的异构信息网络。所以,传统推荐算法以属性作为相似度的计算标准已经显得不太得当,而从网络语义距离的角度来设计推荐算法才更加符合自适应学习系统的推荐逻辑。针对自适应学习系统中传统推荐算法的缺陷,本文从语义相似性的角度提出了基于异构信息网络的自适应学习推荐算法。为了提高自适应学习系统的整体推荐效果,本文从以下几个方面做出了研究:(1)从异构信息网络的角度对自适应学习系统的网络模式、元路径进行了研究,并设计了基于HIN的自适应学习推荐研究框架;(2)根据学习者模型规范和学习者个性化特征,利用UML建模技术对学习者模型进行了构建;(3)在前人研究的基础上对领域知识的层次结构进行了梳理,提出了知识的表示方法,并在贝叶斯知识跟踪模型的基础上提出了知识间转化关系的计算公式;(4)使用基于元路径的相似性度量,设计了基于HIN的自适应学习资源推荐算法,并结合课程案例进行了效果评估和实证分析,确定了算法的有效性。